自动驾驶场景下的车辆检测属于智能交通领域的关键技术,其在民用和军事等领域发挥着重要的作用。而随着现代交通技术的快速发展,道路环境愈加复杂,小目标车辆、车辆遮挡以及雾天情况,给车辆检测带来了巨大的挑战。如何解决这些问题,实现准确地车辆检测,是当今目标检测领域的重要研究内容。随着深度学习在各个领域的迅速崛起,其强大的特征提取能力和较高的鲁棒性引起了目标检测领域研究者们的注意。采用深度学习技术对车辆进行准确地检测已逐渐成为该领域的主流研究方向,而注意力机制作为深度学习的一个重要研究内容,也发挥着至关重要的作用,本文主要利用注意力机制技术,研究相关车辆检测算法,主要研究工作如下:（1）针对远景小目标车辆检测问题,设计了一种基于注意力机制和角点池化的车辆检测网络。首先将Hourglass-104主干网络替换为一种带有协同注意力的新主干网络（Hourglass-CA）,该网络可以减少冗余的神经网络大小,以提高小目标车辆的检测精度。其次设计多级注意力网络以及损失算法,在特征提取过程中不断监督小目标像素特征。最后,实验结果表明,所提出的神经网络实现了有效地轻量级检测,将模型大小从201M减少到117M,在车辆数据集上准确率达到了70.3%,在MSCOCO测试集上的平均精度达到了43.3%,超过了一些基于相同实验条件的目标检测器。（2）针对带有遮挡的车辆检测问题,设计了一种基于极化自注意力机制的车辆检测网络。首先在主干网络中使用特征金字塔对ResNetV2-101进行多尺度特征融合,并嵌入极化自注意力机制以增强关键区域特征。其次,在目标检测模块中,采用角点池化算法对语义分割特征的感兴趣区域进行像素级地检测。最后,引入双层分割检测网络,解决现有算法中遮挡边界重叠难以区分的问题。本文的消融实验是在MSCOCO数据集上进行,在Cityscapes数据集上全景分割指标达到了60.6%,前景物体和背景事物全景分割指标分别达到了55.6%,63.8%,高于一些现有的全景分割算法。（3）针对雾天情况下的车辆检测问题,设计了一种基于3D注意力机制的雾天车辆检测网络。考虑到雾天对点云激光雷达的干扰,首先,在多尺度体素特征融合网络中,利用3D注意力网络对多尺度的点云特征进行重新加权,以便在检测时特别关注感兴趣区域。然后,在关键点权重预测网络中进一步提升丰富的关键点特征信息,优化权重参数,提升网格化感兴趣区域池化模型的三维检测框的准确度,以预测出车辆的3D检测框。最后,在Fog-KITTI数据集上进行实验,3D车辆检测的平均精度达到81.21%,3D鸟瞰图的平均精度达到87.69%,有效地提升了雾天情况下车辆的检测精度。